人工智能赋能燃烧研究：从解析火焰到系统优化
作者：晴天
燃烧研究向来是一项极具挑战的任务。
火焰内部交织着流动、热传递、物质交换、化学反应、辐射、湍流波动及污染物产生。尽管看似只是火焰，其背后实则是一个强耦合、多尺度且非线性的物理化学体系。
引入人工智能并非为了取代物理法则，而是旨在加速对这一复杂系统的理解、预测及优化过程。
简而言之：
AI 并不旨在“凭空创造燃烧定律”，它更适合从实验、仿真及机理中汲取规律，并将其应用于快速预测与优化。
燃烧难题的难点主要体现在三个方面。
首先，跨度巨大。
从分子层面的反应到湍流火焰，从微秒级的化学反应到秒级的设备运行，燃烧过程横跨多个时间与空间尺度。
其次，关联紧密。
温度左右反应速率，放热改变流场，而流场又反过来影响混合与火焰结构。任何一环的变动，都可能波及整体结果。
再者，数据量激增。
当前燃烧研究积累了海量CFD数据、激光诊断影像、传感器信号、排放测试数据及反应机理。数据庞大之后，如何从中提炼规律便成了新课题。
AI的价值在于从这些复杂数据中发掘关联、构建快速模型，并协助研究者缩小搜索范围。
图示：AI能够同时吸纳实验测量、CFD结果及传感器数据，用于预测火焰结构与关键参数。
燃烧实验中常用高速摄影、OH-PLIF、CH2O-PLIF、PIV及红外热成像等手段。这些影像中蕴含了火焰位置、反应区构造、回流区、局部熄火及不稳定性振荡等信息。
AI可用于：
这类手段的优势在于高效，特别适用于处理大量实验图像。
高精度燃烧CFD耗时颇长，特别是在涉及详细化学反应、湍流燃烧、辐射及多工况优化时，计算成本极高。
AI可基于现有CFD数据训练代理模型，以低成本进行预测：
代理模型虽不能完全取代CFD，但可用于快速筛选方案，将大量不值得精细计算的设计先行剔除。
燃烧化学机理可能包含上百种组分及上千条反应。详细机理精度高，但计算缓慢。
AI有助于识别关键反应路径、构建简化机理，或训练神经网络代理模型，以加速反应源项计算。
图示：复杂的化学反应网络可被压缩为更快的代理模型，用于快速燃烧预测。
燃烧系统通常追求多重目标：高效率、低排放、高稳定性、低压降、温度均匀及高可靠性。
这些目标往往相互制约。例如降低NOx可能增加CO，降低火焰温度可能影响稳定性，提高混合强度可能引发压降损失。
AI结合优化算法，可用于探寻更优的参数组合：
此类工作最适合与CFD、实验设计、贝叶斯优化、遗传算法等方法相结合。
在实际燃烧设备中，工况会变化，燃料组分也可能波动。AI可结合传感器数据，实时判断燃烧状态并提供控制策略。
例如：
图示：传感器、AI控制器及燃料/空气执行机构可构成低排放燃烧闭环控制系统。
许多人一听到AI，便担忧其变成“黑箱”。
这种担忧不无道理。燃烧研究不能仅追求预测数值的漂亮，更要知其所以然。
更合理的方向是：物理模型与AI相结合。
常见思路包括：
物理约束神经网络
将守恒方程、边界条件或已知物理规律纳入训练过程，以减少模型的盲目拟合。
数据驱动修正模型
传统模型负责基本物理框架，AI学习模型误差，用于修正湍流燃烧、壁面传热或排放预测。
机理引导学习
先利用反应机理、敏感性分析或守恒约束限定范围，再训练AI模型。
混合代理模型
关键区域使用高保真CFD，非关键区域使用代理模型加速，实现精度与效率的平衡。
简而言之，AI最有价值的应用并非抛弃物理，而是让物理模型运行更迅速、观察更清晰、优化更高效。
第一，数据可信度不足。
若实验标定不准，或CFD本身未经验证，AI学到的仅仅是错误数据中的模式。
第二，只关注预测误差，忽视物理一致性。
模型在测试集上误差小，不代表其满足质量守恒、能量守恒及合理的反应趋势。
第三，外推能力被高估。
AI对训练范围内的插值通常更可靠，但面对全新燃料、压力或结构时，可能会失效。
第四，忽视不确定性。
燃烧实验和仿真均存在误差。AI结果最好提供置信区间或不确定性评估，而非仅给出一个确定值。
第五，将相关性误作因果性。
AI找到的相关关系未必是机理。燃烧研究最终仍需回归到物理解释与实验验证。
若要开展“AI+燃烧”课题，可按此思路推进：
在此流程中，AI是工具，而非终点。
AI加速详细化学反应计算。
使详细机理更快融入工程级CFD。
AI辅助低碳燃料燃烧。
氢气、氨、合成燃料及掺混燃料带来了新的火焰速度、NOx路径及稳定性问题。
AI结合多模态实验诊断。
将图像、压力、温度、排放及声学信号联合起来，识别燃烧状态。
数字孪生燃烧系统。
利用实时数据更新模型，实现设备状态监测、预测维护与智能控制。
可解释AI。
不仅告知“结果是什么”，还要解释“为何如此”。
AI与燃烧研究的结合，并非让机器取代研究者，而是让研究者更迅速地洞察复杂系统中的规律。
燃烧仍遵循守恒方程、化学反应及传热传质规律。AI的价值在于在复杂数据与模型间架桥：助力我们更快预测、更优优化、更早发现风险。
真正有前景的方向，并非“纯AI燃烧”，而是：
懂燃烧的AI，以及善用AI的燃烧研究。